Informativo Digital de Trás-os-Montes e Alto Douro

Inteligência Artificial ajuda à identificação de objetos astronómicos

Uma das novidades do processo é que o SHEEP, antes de iniciar a classificação, primeiro estima desvios para o vermelho fotométricos, informação que é adicionada aos dados, como uma característica adicional para a aprendizagem do modelo de classificação.

207

Publicidade

logo

A classificação de objetos astronómicos sempre foi um problema. A distâncias quase inimagináveis, por vezes torna-se difícil para os astrofísicos distinguir se estes objetos são estrelas, galáxias, quasares, supernovas ou nebulosas, por exemplo.

Para tentar resolver este problema clássico, os investigadores do Instituto de Astrofísica e Ciências do Espaço (IA) Pedro Cunha e Andrew Humphrey criaram o SHEEP, um algoritmo de inteligência artificial (machine learning) que determina a natureza dos astros. Para Andrew Humphrey (IA & Universidade do Porto): “O problema de catalogar objetos astronómicos é muito desafiante, devido à sua quantidade e à complexidade do Universo, mas a inteligência artificial está a revelar-se uma ferramenta muito promissora para a resolução deste problema.”

Para Pedro Cunha, aluno de doutoramento no IA e no Dep. de Física e Astronomia da Faculdade de Ciências da Universidade do Porto, o primeiro autor do artigo agora publicado na revista Astronomy & Astrophysics: “Este trabalho nasceu como um projeto paralelo da minha dissertação de mestrado. É a combinação de tudo o que aprendi durante o tempo que passei num projeto único.” Andrew Humphrey, o orientador do mestrado e agora coorientador do doutoramento de Cunha, faz questão de destacar: “Foi espantoso obter um resultado tão interessante, em especial numa dissertação de mestrado!”

O SHEEP é uma pipeline de inteligência artificial supervisionada, que estima desvios para o vermelho fotométricos e que mais tarde usa esta informação para classificar objetos astronómicos como galáxias, quasares ou estrelas. Para Cunha: “A informação fotométrica é a mais fácil de obter e por isso é muito importante numa primeira análise à natureza dos objetos observados.”

Uma das novidades do processo é que o SHEEP, antes de iniciar a classificação, primeiro estima desvios para o vermelho fotométricos, informação que é adicionada aos dados, como uma característica adicional para a aprendizagem do modelo de classificação.

A equipa descobriu que, ao incluir estes dados junto com as coordenadas (ascensão reta e declinação) dos objetos, a inteligência artificial era capaz de percecionar o Universo em 3D e usar esse conhecimento, em paralelo com informação de cor, para fazer estimativas mais precisas das propriedades dos objetos. Por exemplo, o algoritmo aprendeu que há uma maior probabilidade de encontrar estrelas mais perto do plano da Via Láctea do que nos polos galácticos. Humphrey acrescenta: “Quando demos à inteligência artificial uma visão tridimensional do Universo, aumentámos bastante a sua habilidade para decidir, de forma mais precisa, que tipo de objeto celeste é que estava a catalogar.”

Vários rastreios do céu, como o Sloan Digital Sky Survey (SDSS), produziram enormes quantidade de dados que revolucionaram a área da astronomia e rastreios futuros, que serão levados a cabo por instrumentos como o Observatório Vera C. Rubin , o Dark Energy Spectroscopic Instrument (DESI), a missão espacial Euclid (ESA) ou o telescópio espacial James Webb (NASA/ESA), vão continuar a fornecer imagens cada vez mais detalhadas. No entanto, devido ao enorme volume de dados, demoraria demasiado tempo a analisá-los através de métodos tradicionais. Estes novos métodos de inteligência artificial serão assim cruciais para analisar e tirar melhor partido desses novos dados.

Este trabalho está inserido no esforço da equipa para tirar partido do dilúvio de dados que esses rastreios irão produzir, ao desenvolver sistemas de machine learning que conseguem classificar e caracterizar, de forma eficiente, milhares de milhões de fontes.

Pedro Cunha comenta: “Uma das coisas mais excitantes é ver como este algoritmo nos está a ajudar a compreender melhor o Universo. O nosso método indicou-nos um caminho possível, com novos a serem criados durante o processo. É uma era excitante para a astronomia!”

Pesquisas fotométricas e espectroscópicas são uma das principais maneiras para compreendermos o conteúdo visível do Universo. Os dados destes rastreios permitem estudos estatísticos de estrelas, quasares e galáxias, além da descoberta de objetos astronómicos mais peculiares.

Para o investigador principal do grupo “A história da formação de galáxias resolvida no espaço e no tempo” do IA, Polychronis Papaderos: “O desenvolvimento de avançados algoritmos de inteligência artificial, como o SHEEP, fazem parte da estratégia do IA para a exploração científica de grandes conjuntos de dados de milhares de milhões de galáxias, da missão espacial Euclid, programada para ser lançada em 2023.”

A missão espacial Euclid vai fazer uma cartografia detalhada do Universo, e procurar pistas para a natureza das enigmáticas Energia Escura e Matéria Escura. O IA coordena a participação portuguesa  no Euclid e lidera ou colidera, no consórcio do Euclid, vários grupos de trabalho nas áreas da cosmologia e da astronomia extragaláctica.

Publicidade

Fonte desta notícia: Instituto de Astrofísica e Ciências do Espaço

Este website usa cookies que permitem melhorar a sua experiência na internet. Pode aceitar ou recusar a utilização desta tecnologia Aceito Política de Privacidade